Optimasi Penjadwalan Perkuliahan Menggunakan Algoritma Genetik
Upcoming SlideShare
Loading in...5
×
 

Like this? Share it with your network

Share

Optimasi Penjadwalan Perkuliahan Menggunakan Algoritma Genetik

on

  • 6,019 views

 

Statistics

Views

Total Views
6,019
Views on SlideShare
4,498
Embed Views
1,521

Actions

Likes
0
Downloads
212
Comments
0

2 Embeds 1,521

http://yaqinov.wordpress.com 1504
https://yaqinov.wordpress.com 17

Accessibility

Categories

Upload Details

Uploaded via as Microsoft Word

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Optimasi Penjadwalan Perkuliahan Menggunakan Algoritma Genetik Document Transcript

  • 1. OPTIMASI PENJADWALAN PERKULIAHAN JURUSAN TEKNIK INFORMATIKA UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM MALANG MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI RANK M. Ainul Yaqin, Totok Lisbiantoro Jurusan Teknik Informatika Universitas Islam Negeri Maulana Malik Ibrahim Malang ABSTRAK Penjadwalan mata kuliah merupakan hal yang penting dalam proses kegiatan akademik danjuga menjadi suatu permasalahan yang sangat sulit dipecahkan, khususnya pada jurusan teknikinformatika UIN Maulana Malik Ibrahim Malang. Dengan keterbatasan dosen yang ada, jumlahkelas dan jumlah ruangan dituntut agar tetap bisa memenuhi kebutuhan pelayanan kepadamahasiswa. Penelitian sebelumnya tentang optimasi penjadwalan perkuliahan menggunakanalgoritma genetika dengan metode seleksi Roulette Wheel, belum menunjukkan hasil yangmaksimal, terbukti dengan tingkat kesalahan sebesar 27,79%. Oleh karena itu dengan penelitianini dicoba untuk memperbaiki penelitian tersebut, yaitu menggunakan algoritma genetikadengan metode seleksi Rank. Selain itu dalam penelitian ini akan dibandingkan hasilnya denganmetode Simulated Annealing. Algoritma genetika merupakan pendekatan komputasional untuk menyelesaikan masalahyang dimodelkan dengan proses biologi dari evolusi, meliputi seleksi, crossover, dan mutasi.Berbeda dengan penelitian sebelumnya di atas yang menggunakan metode seleksi RouletteWheel, dalam penelitian ini menggunakan metode seleksi Rank, yang sekaligus merupakanperbaikan dari metode seleksi Roulette Wheel. Hasil uji coba menunjukkan bahwa dalam penelitian ini dihasilkan jadwal yang optimaldengan parameter genetikanya yaitu ukuran populasi 10, probabilitas crossover 0,70 danprobabilitas mutasi 0,15. Penelitian ini juga berhasil memperbaiki tingkat kesalahan menjadi0%. Estimasi waktu penjadwalan rata-rata untuk algoritma genetika pada penelitian ini adalah 3jam 13 menit 54 detik dalam 5 kali percobaan. Sedangkan pada Simulated Annealingmembutuhkan waktu rata-rata 25 menit dengan kondisi jadwal yang sama-sama optimal. Sehingga algoritma genetika dengan metode seleksi Rank dapat digunakan untukmenjadwalkan perkuliahan pada jurusan teknik informatika Universitas Islam Negeri MaulanaMalik Ibrahim Malang.Kata Kunci: jadwal, algoritma genetika, metode seleksi RankPENDAHULUAN Beberapa masalah yang menyebabkan lamanya waktu pembuatan jadwalProses pembuatan jadwal perkuliahan pada diantaranya terbatasnya dosen pengampu,jurusan teknik informatika di Universitas ruang, jam mengajar, dan bertambahnyaIslam Negeri MALIKI Malang saat ini kelas karena semakin bertambahnyamembutuhkan waktu yang relatif lama. mahasiswa disetiap tahunnya serta tuntutan
  • 2. kebutuhan menyebabkan terkadang jadwal Membangun Generasi Awalyang dibuat masih mangalami pelanggaranterhadap soft constrain dan hard constrain Langkah ini membentuk sejumlah populasiyang ada. Untuk itu perlu dibuat suatu awal yang digunakan untuk mencariaplikasi yang dapat membantu dalam penyelesaian optimal. Populasi awal yangpembuatan jadwal perkuliahan agar dibangun dalam tugas akhir ini denganprosesnya lebih cepat dan optimal. menggunakan bilangan random (acak)Algoritma genetika sudah pernah dengan range bilangan yang telahdigunakan pada penelitian sebelumnya oleh ditentukan.Lina Maria Ulfa dengan metode seleksiRoulette Wheel, namun masih belum Fungsi Fitnessmampu mengatasi masalah-masalahpenjadwalan yang ada, terbukti dengan Fungsi fitness digunakan untuk prosestingkat kesalahan sebesar 27,79%. Dalam evaluasi kromosom agar diperoleh individupenelitian ini akan dicoba untuk yang diinginkan. Fungsi ini membedakanmemperbaiki penelitian tersebut, yaitu kualitas dari individu untuk mengetahuimenggunakan algoritma genetika dengan seberapa baik individu yang dihasilkan.metode seleksi Rank, dimana metode Semakin tinggi nilai fitness akan semakinseleksi Rank merupakan perbaikan dari besar kemungkinan individu tersebutmetode seleksi Roulette Wheel. terpilih ke generasi berikutnya.PENERAPAN ALGORITMA SeleksiAlgoritma Genetika adalah algoritma yang Setiap individu yang terdapat dalammemanfaatkan proses seleksi alamiah yang populasi akan melalui proses seleksi untukdikenal dengan proses evolusi. Langkah- dipilih menjadi orangtua. Seleksi adalahlangkah dalam penerapannya pada suatu proses yang digunakan untuk memilihpenjadwalan yaitu: individu-individu yang akan digunakan pada proses generasi berikutnya denganRepresentasi Kromosom mempertimbangkan nilai fitness.Algoritma Genetika tidak beroperasi Crossoverdengan penyelesaian asli dari suatu masalahtetapi beroperasi dengan dengan Crossover atau persilangan merupakanpenyelesaian yang telah di representasikan operasi yang bekerja untuk menggabunganRepresentasi kromosom merupakan proses dua individu hasil seleksi menjadi individupengodean dari penyelesaian asli dari suatu baru. Tidak semua individu mengalamipermasalahan. Pengodean kandidat persilangan karena ditentukan olehpenyelesaian ini disebut dengan kromosom. paramater yang disebut dengan crossoverPengodean tersebut meliputi penyandian rate atau probabilitas persilangan.gen, dengan satu gen mewakili satuvariabel. Mutasi Setelah crossover dilakukan, proses reproduksi dilanjutkan dengan mutasi. Hal ini dilakukan untuk menghindari solusi-
  • 3. solusi dalam populasi mempunyai nilai pengampu, tabel hari, tabel jam yang berisilokal optimum. Mutasi adalah proses slot waktu, dan tabel ruang.mengubah gen dari keturunan secararandom. Optimasi dengan Algoritma GenetikaKondisi Berhenti Langkah pertama yang dilakukan yaitu mengodekan data-data yang telah diambil.Proses ini akan berhenti jika kondisi Untuk rancangan kromosomnya terdiri dariberhenti terpenuhi, jika tidak maka akan 4 komponen penjadwalan , yaitu matakembali ke langkah 3. kuliah dari tabel pengampuan, jam kuliah,IMPLEMENTASI hari, dan ruang, seperti pada gambar berikut:Berikut adalah flowchart untuk tahapanimplementasi: MK Jam Hari Ruang Gambar 2. Rancangan kromosom Mulai Membangkitkan populasi awal yang Ambil komponen diperoleh secara random sehingga didapatkan solusi awal. Populasi itu sendiri penjadwalan terdiri dari sejumlah individu yang merepresentasikan sejumlah solusi. Optimasi dengan algoritma Populasi tersebut dicek nilai fitnessnya untuk tahap selanjutnya yaitu seleksi. genetika Dalam penelitian ini digunakan metode seleksi Rank, yang merupakan perbaikan Hitung constrain dari metode seleksi Roulette Wheel karena pada seleksi Roulette Wheel kemungkinan salah satu kromosom mempunyai nilai fitness yang mendominasi hingga 90% bisa terjadi, sehingga nilai fitness yang lain akan Penjadwalan mempunyai kemungkinan yang sangat kecil sekali untuk terpilih, sedangkan dalam seleksi rank dilakukan perumpamaan sesuai dengan nilai fitnessnya, nilai fitness terkecil Selesai diberi nilai 1, yang terkecil kedua diberi nilai 2, dan begitu seterusnya sampai yang Gambar 1. Flowchart tahapan implementasi terbesar diberi nilai N. Nilai tersebut yang akan diambil sebagai prosentasi tepat yangKomponen Penjadwalan tersedia. Dari proses seleksi didapatkan induk untuk proses crossover. CrossoverKomponen penjadwalan yang dimaksud yang digunakan pada penelitian ini adalahadalah data-data penjadwalan yang crossover 2 titik. Crossover 2 titik ininantinya akan dikodekan sehingga dapat adalah crossover pada 2 titik tertentu yangdiproses oleh algoritma genetika. Data-data ditentukan secara random, misalkan dalamtersebut meliputi data dari tabel pengampu 1 individu terdapat 6 kromosom, jika 2 titikyang berisi mata kuliah, kelas, dan dosen yang keluar adalah 2 dan 4 maka
  • 4. kromosom 1 tetap, kromosom 2 sampai 4 Berikut hasil rekap percobaan yangditukar, dan kromosom 5 sampai 6 tetap. dilakukan:Setelah crossover selesai, didapatkanindividu-individu baru yang akan dimutasisesuai dengan probabilitas mutasinya.Mutasi dilakukan dengan cara merandomulang komponen penjadwalan, jika prosesmutasi selesai maka di hitung nilai fitnessmasing-masing individu, jika belum adayang sesuai dengan batasan-batasan yangditentukan maka akan diulang ke proses Gambar 3. Rekap rasio error prob. crossoverseleksi sampai mutasi sehingga ditemukansolusi yang sesuai. Batasan-batasan dalampenelitian ini adalah:1. Tidak ada dosen yang mengajar lebih dari satu kelas mata kuliah pada waktu yang sama2. Tidak ada dua kelas mata kuliah yang berbeda diselenggarakan bersamaan di satu ruangan Gambar 4. Rekap rata-rata error prob. crossover3. Mata kuliah semester 1 dan 2 dimulai jam 08.00 sampai jam 14.004. Mata kuliah semester 1 dan 2 menggunakan sistem paket, sehingga tiap mata kuliah tidak boleh dijadwal pada waktu yang sama untuk kelas yang sama5. Waktu sholat jum’at tidak boleh ada perkuliahan Gambar 5. Rekap rasio error prob. mutasi6. Waktu kesediaan dosen lebih diutamakan, namun jika terpaksa tidak bisa, boleh diabaikan7. Tidak ada perkuliahan yang dimulai pada waktu dhuhur, namun jika terpaksa tidak bisa, maka boleh diabaikanHASIL UJI COBAPengujian dilakukan berdasarkan parameter Gambar 6. Rekap rata-rata error prob. mutasigenetika yang disarankan pada beberapaliteratur yang telah diuji coba kembali Data yang digunakan adalah pemasaranuntuk menentukan parameter yang benar- mata kuliah sebanyak 156, 7 ruang kuliah,benar sesuai pada masalah penjadwalan ini. dan 6 hari dengan masing-masing 13 slot waktu. Dari beberapa percobaan di atas,
  • 5. ditemukan parameter yang sesuai sebagai namun untuk tingkat keakuratannyaberikut: sama Parameter Nilai Individu per populasi 10 Saran Probabilitas crossover 0.7 Probabilitas mutasi 0.15 1. Ruang lingkup dalam penelitian ini masih di tingkat jurusan, sehingga Tabel 1. Parameter genetika dapat diperbesar hingga ke tingkat universitas.Parameter tersebut digunakan pada 2. Penggunaan metode lain yangpengujian sebanyak 5 kali. Berdasarkan mungkin lebih sesuai ataupengujian yang telah dilakukan, tingkat menggunakan metode hibridkesalahan jadwal perkuliahan yangdihasilkan sebesar 0%, dengan waktu rata-rata 3 jam 13 menit 54 detik, sehingga DAFTAR PUSTAKAdapat disimpulkan bahwa penelitian iniberhasil menangani masalah-masalah Dibyo L, Heru. 2010. Optimasi Penempatanpenjadwalan hingga 100%. Kapasitor Pada Sistem Tenaga Listrik Dengan Menggunakan AlgoritmaAnalisa dengan Simulated Annealing Genetik. http:// herudibyolaksono.files.wordpress.com/Jika dibandingkan dengan Simulated 2010/07/jurnal_7.pdf. Diakses: pada 6Annealing dengan menggunakan data dan Maret 2011batasan–batasan yang sama, AlgoritmaGenetika memerlukan waktu yang lebih Edmund Burk, dkk. Automated Universitylama dalam prosesnya, waktu rata-rata Timetabling: The State of theSimulated Annealing hanya 25 menit, Art.University of Nottinghnamun untuk tingkat keakuratannya relatifsama. Edward L. Mooney, dkk. 1995. LARGE SCALE CLASSROOM SCHEDULING.KESIMPULAN DAN SARAN Industrial and Management Engineering Department, MontanaKesimpulan State University.1. Algoritma Genetika dapat digunakan Kadir, Abdul. 2002. Pengenalan Sistem sebagai alternatif solusi untuk Informasi. Yogyakarta: Penerbit Andi menyelesaikan masalah penjadwalan perkuliahan Kusumadewi,Sri. 2003. Artificial2. Metode seleksi Rank dapat Intelligence. Yogyakarta: Graha Ilmu . memperbaiki kesalahan yang ditimbulkan oleh metode seleksi Kusumadewi, Sri dan Purnomo, Hari. Roulette Wheel 2005. Penyelesaian Masalah3. Untuk masalah kecepatan proses, Optimasi dengan Teknik-teknik Simulated Annealing unggul Heuristik. Yogyakarta:Graha Ilmu dibandingkan Algoritma Genetika,
  • 6. Maria Ulfa,Lina.2011.Optimasi Munir, Rinaldi. Strategi. 2006. Algoritmik, Penjadwalan Perkuliahan Program Studi Informatika STEI Menggunakan Algoritma Institut Teknologi Bandung,Bandung, Genetika.Universitas Islam Negeri Maulana Malik Ibrahim Malang: Spyros Kazarlis Vassilios Petridis and Jurusan Teknik Informatika. Pavlina Fragkou. Solving University Timetabling Problems UsingNurul,Anisty F. 2011. Rancang Bangun Advanced Genetic Algorithms. Aplikasi Prediksi Jjumlah Penumpang Technological Educational Institute of Kereta Api Menggunakan Algoritma Serres, Serres 621 24 Greece dan Genetika.www.eepis- Aristotle University of Thessaloniki,, its.edu/uploadta/downloadmk.php? Thessaloniki 540 06, Greece id=1392. Diakses: pada 6 Maret 2011 Suryosubroto B. 2004. ManajemenOtbiko, M. 1998. Genetic Algorithms. Pendidikan di Sekolah. Jakarta. PT http://www.obitko.com/tutorials/geneti Asdi Mahasatya c-algorithms/, Diakses: pada 6 Maret 2011 Suyanto. 2005.Algoritma Genetika dalam MATLAB.ANDI.Yogyakarta.Paseru, Debby, dkk. 2007. Sistem Informasi Pengaturan Jadwal Mata Kuliah Widyadana, I Gede Agus dan (Studi Kasus : Universitas Katolik Pamungkas, De La Salle Manado). Intstitut Andree.2002.Perbandingan Kinerja Teknologi Bandung: Jurusan Teknik Algoritma Genetika Dan Simulated Informatika Annealing Untuk Masalah Multiple Objective Pada PenjadwalanPonnambalan, S.G., Jawahar, N., and Flowshop.Universitas Kristen Aravindan, P., 1999. “A Simulated Petra:Fakultas Teknologi Industri, Annealing Algorithm for Job Shop Jurusan Teknik Industri Scheduling”, Production Planning and Control, Vol. 10, No.8, 767-777.Purwowibowo. 2008. Peningkatan Akurasi Linear Trnsducer Menggunakan Genetic Algorithm dan Golden Ratio Segmentation. http://www.lontar.ui.ac.id/file? file=digital/129075-T+24256+ +Peningkatan+akurasi.pdf Diakses: pada 6 Maret 2011Riyanto, dkk. 2008. Pengembangan Aplikasi Manajemen Database.Yogyakarta: Gava Media